-
公开(公告)号：CN116758513A
公开(公告)日：2023-09-15
申请号：CN202310688153.9
申请日：2023-06-12
Applicant: 南京信息工程大学
IPC: G06V20/58 , G06V10/82 , G06N3/0464 , G06N3/098
Abstract: 本发明公开了一种基于联邦学习的个性化交通标志判别方法，包括：服务器初始化模型参数，并将模型发送给客户端；客户端接收来自服务器端初始化模型参数；对数据数据预处理；在客户端训练模型；服务器聚合来自客户端的模型参数；客户端接收来自服务器的聚合后模型参数，并将聚合后的模型加载进本地模型中；继续训练模型，直到达到各自的迭代次数输出模型。本发明基于AIDE和DANE的分布式方法的修正项，个性化联邦学习和动态校准项的混合模型用于智慧车联网的交通标志判别的方法。该模型可以考虑每个用户的算力与其数据分布情况，在保证数据隐私安全的情况下以很小的性能进行交通标志判别。
-
公开(公告)号：CN113679393B
公开(公告)日：2023-05-26
申请号：CN202110978438.7
申请日：2021-08-25
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于对比预测编码的ECG数据特征生成模型，包括如下步骤：首先将划分ECG训练数据,横向看是正样本对与负样本对，正样本对是相同类别的数据，负样本对是不同类别的数据，纵向看是训练数据与待训练数据，然后通过编码器将训练数据与待训练数据都进行编码,接着把训练数据经过编码得到的结果放入自回归模型得到上下文信息Context，Context进入预测模型后得到未来多步的预测值，最后将预测值与待训练数据经过编码后的值一起计算点积得到损失值。本发明可以扩展样本数量不足的数据，提高下游任务的泛化能力。
-
公开(公告)号：CN114970612A
公开(公告)日：2022-08-30
申请号：CN202210497273.6
申请日：2022-05-09
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于持续学习的心律失常实时分类方法，包括：定位QRS波，截取出ECG信号中的心拍，针对不同心拍类型，各自采样得到若干个数据流；基于深度卷积神经网络构建心拍分类模型；基于聚类算法计算得到同类数据的原型，将每类数据的原型和部分数据流一起存储至缓冲区；分批量多次导入数据流，从缓冲区中读取相同批量大小的数据，合成新的训练数据，采用指数加权平均的方式对每次输入后的原型进行迭代更新，对心拍分类模型进行训练和参数更新；将待识别的ECG新拍数据导入完成训练的心拍分类模型，进行心拍类型识别。本发明能够高效准确的实现数据不平衡条件下的心律失常分类，同时能够在持续学习下实现心律失常分类。
-
公开(公告)号：CN105530303B
公开(公告)日：2018-09-25
申请号：CN201510934456.X
申请日：2015-12-15
Applicant: 南京信息工程大学
IPC: H04L29/08
Abstract: 本发明提供一种网络缓存线性替换方法，首先建立一个缓存替换模型作为实验基础，先对网站固定缓存容量大小，然后对其发送大量的访问请求，再对网路缓存中出现的数据信息进行提取分析，同时将向网络中所发送的请求数据按照一定的数量分成不同的序列，这些序列也可以作为实验对象。在该网站的网络缓存存储满时，要对接下来的访问数据与之前已经存储的数据进行替换。在替换的过程中，采用了三种递进式的方法，来设计出了一个最为优秀的缓存替换方法。本发明结合传统的缓存替换方法。通过本设计的缓存替换方法，可以快速的给用户返还所需数据，提高数据查询请求的速度，适合于处理大数据的请求访问。
-
公开(公告)号：CN115836849B
公开(公告)日：2025-04-11
申请号：CN202211724133.4
申请日：2022-12-30
Applicant: 南京信息工程大学
IPC: A61B5/0245 , A61B5/346 , A61B5/00 , G06N3/0464 , G06N3/08 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于对比测试时间适应的心率失常分类方法，首先采集心律失常数据并生成数据集，通过数据集自身标注的Q峰位置采集心拍；再使用SMOTE算法对步骤S1采集的心拍进行类别平衡采样；接着使用多模态图像融合框架将一维心拍转换成二维图像，划分数据集；然后搭建训练阶段的卷积神经网络模型；并根据划分的数据集输入到卷积神经网络模型中进行训练；最后将步骤S5训练好的卷积神经网络模型进行对比测试时间域适应；经过对比测试时间域适应后，在适应的过程中更新源模型的权重参数，将经过调整后的模型用于最终的心率失常分类任务。
-
Patent Agency Ranking
公开(公告)号：CN115105085B
公开(公告)日：2024-12-03
申请号：CN202210661407.3
申请日：2022-06-13
Applicant: 南京信息工程大学
IPC: A61B5/318 , A61B5/346 , A61B5/00 , G06F18/241 , G06F18/2415 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明提供一种基于自动深度卷积学习模型的十二导联心电图的分类方法，具体为：步骤1：对样本心电信号进行去噪处理；并将去噪处理后的心电信号划分成训练集和测试集；步骤2：构建基于Resnet34的深度卷积学习模型；步骤3：对心电信号中每类心拍类型标签进行One‑Hot编码；步骤4：采用训练集对步骤3的深度卷积学习模型进行训练；训练完成后，保存准确率最高的模型参数和准确率；并采用测试集测试训练后的深度卷积学习模型的准确度。步骤5：将实际的心电信号输入至训练后得到的基于Resnet34的深度卷积学习模型中，得到实际的心电信号的类别。本发明提高了分类的精度，并且增加了模型的可解释性。
-
公开(公告)号：CN118898086A
公开(公告)日：2024-11-05
申请号：CN202411400505.7
申请日：2024-10-09
Applicant: 南京信息工程大学
Abstract: 本发明提供了一种医疗数据的联合预测方法、系统及介质，其方法包括：获取医疗数据中心的数据集；将所述医疗数据中心的数据集输入预先训练的数据预测模型，得到医疗数据中心的数据集的本地预测结果；利用所述量子本地数据训练量子节点权值，根据所述权值和医疗数据中心的数据集的本地预测结果，进行量子联合推理计算，得到所述医疗数据中心的数据集的联合预测结果。本发明对医疗数据中心的数据集进行本地预测，避免了训练阶段量子本地数据和数据预测模型的参数对外的传输，不会发生数据隐私泄露，更不会面临着梯度攻击的风险；不进行任何的数据传输，只在联合推理阶段进行一次量子联合推理，在非独立同分布数据集上的不会有性能的损失。
-
公开(公告)号：CN118505983B
公开(公告)日：2024-10-29
申请号：CN202410964537.3
申请日：2024-07-18
Applicant: 南京信息工程大学
IPC: G06V10/25 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于改进YOLOv8的唐卡目标检测方法，包括以下步骤：（1）获取需要检测的唐卡图片或视频并放入test文件并进行预处理；（2）构建改进YOLOv8网络模型，将深度可分离‑分组卷积‑SE注意力模块DGST替换特征金字塔层C2f中的瓶颈层Bottleneck；其中，DGST模块包括：SE注意力机制层、分组卷积以及神经网络ConvFFN模块；将需要检测的图片或视频输入改进YOLOv8网络进行训练；（3）将得到的模型输出数据进行处理，得到预测结果；本发明通过对YOLOv8模型的改进，提高检测的精确度，模型参数在一定程度上减少，实现模型轻量化。
-
公开(公告)号：CN117635418B
公开(公告)日：2024-05-14
申请号：CN202410101475.3
申请日：2024-01-25
Applicant: 南京信息工程大学
IPC: G06T3/04 , G06N3/094 , G06N3/0464
Abstract: 本发明公开了一种生成对抗网络的训练方法、双向图像风格转换方法和装置，所述生成对抗网络的训练方法包括：获取用于训练的图像数据集，其中所述图像数据集包括多个真实第一风格图像以及对应的真实第二风格图像；利用所述图像数据集对生成对抗网络进行训练，获得训练好的生成对抗网络。该生成对抗网络的训练方法、双向图像风格转换方法和装置，通过在生成网络中加入特征二维注意力模块，并与卷积层、转置卷积层和反卷积层相配合，根据目标域的特征对图像进行自适应的调整，以在训练时采用虚拟批正则化和的手段提升训练速度和收敛速度，从而根据训练后的生成对抗网络模拟现有的风格创作出一幅全新的相似该风格的图像。
-
公开(公告)号：CN117974840A
公开(公告)日：2024-05-03
申请号：CN202410384865.6
申请日：2024-04-01
Applicant: 南京信息工程大学
IPC: G06T11/20 , A61B5/318 , A61B5/00 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N10/20
Abstract: 本发明公开了基于混合量子深度卷积生成对抗网络的心电图生成系统，包括数据预处理模块、参数设置模块、心电图数据生成模块、心电图数据判别模块、判别器参数更新模块和最终心电图数据获取模块；对真实心电图数据进行预处理，构建包括生成器和判别器的混合量子深度卷积生成对抗网络模型；将噪声输入到生成器中，输出生成的心电图数据；将预处理后的真实心电图数据和生成的心电图数据分别输入到判别器中，输出结果为二分类问题；更新生成器和判别器的参数，直到达到迭代次数，输出更新后的混合量子深度卷积生成对抗网络模型，获得最终的心电图数据。本发明提高了生成器的学习能力和表达能力，节省了量子资源，提高了量子模型的稳健性。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.119 seconds)
